دو میلیون ماده جدید کشف شد

به گزارش ایرنا، محققان مواد جدیدی را با استفاده از یادگیری ماشینی (Machine learning) شناسایی کردند تا ابتدا ساختارهایی آزمایشی از این مواد تولید کنند و سپس ثبات و پایداری احتمالی آن ها را بسنجند.

بر اساس مقاله ای که در روز چهارشنبه در Nature منتشر شد، مجموعه ای از مواد که از نظر تجربی تاکنون در طبیعت وجود نداشته اند، حالا با استفاده از ابزار هوش مصنوعی به نام GNoME کشف شده اند که تعدادشان بیش از ۴۵ برابر تعداد مواد کشف شده در تاریخ علم است.

محققان گوگل دیپ مایند (Google DeepMind) ۲.۲ میلیون ساختار کریستالی جدید را کشف کرده اند که پیشرفت های زيادي را در زمینه های مختلف به وجود می آورد و قدرت هوش مصنوعی در کشف مواد جدید را نشان می دهد. درواقع محققان از هوش مصنوعی برای پیش بینی ساختار بیش از ۲ میلیون ماده جدید استفاده کرده اند که میتواند مزایای گسترده ای در بخش هایی مانند انرژی های تجدیدپذیر داشته باشد.

محققان تصمیم دارند ۳۸۱ هزار مورد از امیدوارکننده ترین سازه ها را در دسترس دانشمندان دیگر قرار دهند تا قابلیت حیات آن ها را در زمینه هایی از سلول های خورشیدی گرفته تا ابررساناها بسازند و آزمایش کنند. این سرمایه گذاری تاکید می کند که چگونه بهره گیری از هوش مصنوعی می تواند سال ها پیوند تجربی را میانبر کند و به طور بالقوه محصولات و فرآیندهای بهبودیافته را ارائه دهد.

به گفته محققان، علم مواد اساساً جایی است که تفکر انتزاعی با جهان فیزیکی برخورد می کند. محققان تصمیم گرفته اند تا کریستال های جدیدی را کشف و به ۴۸ هزار عددی که قبلاً شناسایی شده بود، اضافه کنند.

بیلگه یلدیز (Bilge Yildiz)، استاد انستیتوی فناوری ماساچوست که در هیچ یک از این پژوهش ها شرکت نداشت، گفته است: این کشفیات، به مواد جدید امکان می دهد «با سرعت های لازم برای مقابله با چالش های بزرگ جهان» شناسایی شوند. او افزود که این تلاش ها نشان دهنده یک «پیشرفت بسیار هیجان انگیز» برای «دستیابی به مواد با سرعتی بسیار بیشتر از رویکردهای تجربی و سنتی موجود» است.

محققان گوگل دیپ مایند (Google DeepMind) می گویند این پیشرفت، تعداد مواد پایدار شناخته شده را ۱۰ برابر افزایش می دهد و برخی از آن ها می توانند برای همه چیز از باتری ها گرفته تا ابررساناها مفید باشند، به شرطی که از آزمایشگاه خارج شده و به تولید انبوه برسند.

به گفته کارشناسان، این نویدبخش آن است که شاهد اتوماسیون برای انواع جدیدی از سنتز مواد در جهان باشیم. درواقع، مدل های یادگیری ماشین (Machine learning)، زمانی که روی داده های زیادی آموزش ببینند، واقعاً جنبه های جالب مکانیک کوانتومی را یاد می گیرند و میتوانند مواردی را تعمیم دهند و پیش بینی کنند که هرگز روی آنها آموزش ندیده اند.